Executive Summary

아래는 이 연구가 드러낸 핵심 수치다. 격차의 크기와 그것을 만든 행동의 차이를 한눈에 보여준다.

이 격차를 가장 단순하게 그리면 아래 한 장이 된다. 같은 기술과 비슷한 투자를 한 기업들 사이에서, AI가 만든 경제가치의 거의 4분의 3이 상위 5분의 1에게 흘러간다. 도넛의 면적 차이가 곧 "AI 도입했는데 왜 효과가 없지?"라는 질문의 출발점이다.

PwC는 2026년 4월 13일 발표한 AI 성과 연구(2026 AI Performance Study)에서 글로벌 대형 상장사 임원 1,217명을 조사했다. 25개 섹터에 걸친 표본이며, 응답한 기업 대부분은 이미 AI에 상당한 투자를 진행한 곳이다. 즉 이 연구는 "AI를 쓰느냐 마느냐"가 아니라, 이미 쓰고 있는 기업들 사이에서 성과가 어떻게 갈리는지를 본다.

가장 먼저 눈에 띄는 숫자는 분배의 쏠림이다. AI가 만들어낸 경제적 가치의 74%를 상위 20% 기업이 가져간다. 같은 시장, 같은 기술, 비슷한 수준의 투자를 했는데도 결실은 소수에게 몰린다. AI 리더로 분류된 기업은 AI에 기인한 매출·효율 이득에서 동종 기업 대비 약 7.2배 앞섰고, 영업이익률은 4%포인트 더 높았다. 격차가 줄어드는 게 아니라 벌어지고 있다는 점이 이 연구의 핵심 경고다.

격차가 벌어진다는 진단에는 메커니즘이 있다. 리더는 검증된 유스케이스를 더 빨리 확장하고, 자율적 의사결정을 안전하게 늘리며, 그 과정에서 더 빠르게 학습한다. 학습 속도의 차이는 시간이 지날수록 복리로 누적된다. PwC가 "접근 방식을 바꾸지 않으면 격차는 더 벌어질 것"이라고 못 박은 이유다. 출발선이 비슷했더라도, 한쪽이 매년 조금씩 더 빨리 배우면 몇 년 뒤의 거리는 따라잡기 어려운 수준이 된다.

측정의 방법: AI fitness index

이 격차가 인상이 아니라 측정값이라는 점이 중요하다. PwC는 AI에 기인한 매출과 효율 이득을 산업 중앙값 대비 보정한 뒤, 기업의 AI 역량을 하나의 지표로 환산했다. 이른바 "AI fitness index"다. 산업마다 출발선이 다르기 때문에, 단순 성과가 아니라 동종 산업 안에서의 상대적 위치를 본다. 효율만 추구한 기업의 성과가 산업 중앙값에 묻혀 격차가 드러나지 않는 현상도 이 보정 때문에 선명하게 잡힌다.

이 지표는 두 축, 아홉 개 요인으로 구성된다. 하나는 AI use(활용), 즉 AI를 실제 업무와 의사결정에 얼마나 폭넓고 깊고 정교하게 쓰는가, 그리고 그 화력이 성장 기회를 향하고 있는가다. 다른 하나는 AI foundations(토대), 즉 그 활용을 신뢰할 수 있고 확장 가능하게 떠받치는 기반이다. 토대는 다시 전략, 투자, 데이터·기술, 인력, 거버넌스·리스크, 혁신의 여섯 영역으로 나뉜다. 두 축을 합친 아홉 요인은 다시 수십 개의 구체적인 관리·투자 관행으로 세분화된다. 리더는 이 두 축에서 동시에 높은 점수를 받았고, 한 축만 높은 기업은 격차의 윗자리에 오르지 못했다.

두 축이 따로 노는 게 아니라 곱해진다는 점이 핵심이다. PwC의 분석은 토대가 탄탄할수록 활용을 늘렸을 때 얻는 성과 개선폭이 더 커진다고 말한다. 토대가 약한 상태에서 활용만 늘리면 성과는 완만하게만 오르지만, 토대가 단단하면 같은 활용 증가가 훨씬 가파른 성과로 이어진다. 토대는 성과의 바닥을 받치는 동시에, 활용의 기울기를 키우는 증폭기이기도 하다.

AI를 도입한 많은 기업이 가장 먼저 떠올리는 목표는 비용 절감이다. 사람이 하던 일을 자동화해 인건비를 줄이고, 처리 속도를 높여 생산성을 끌어올린다. 직관적이고, 단기 성과도 측정하기 쉽다. 그런데 PwC의 분석은 바로 이 직관을 뒤집는다. AI 재무 성과를 가장 강하게 끌어올린 단일 요인은 효율이 아니라 성장 기회의 포착이었다. 특히 산업 간 경계가 허물어지는 지점, 즉 산업 융합에서 생기는 새로운 성장 기회를 잡는 능력이 효율 추구를 단독으로 앞섰다.

PwC가 이 연구에 붙인 제목이 그래서 "AI에서 ROI를 원하는가? 성장을 노려라(Want ROI from AI? Go for growth)"다. 리더 기업은 AI를 통해 비즈니스 모델 자체를 재창조하는 능력이 향상됐다고 보고할 확률이 동종 대비 2.6배 높았다. 그리고 산업 융합에서 오는 성장 기회를 식별하고 실제로 추구할 확률은 2~3배에 달했다. 이들은 AI를 "비용을 깎는 도구"가 아니라 "새로운 수익원을 여는 엔진"으로 다뤘다.

왜 효율만으로는 격차가 안 줄어드는가

효율 추구가 무의미하다는 뜻은 아니다. 문제는 효율이 곧 따라잡히는 우위라는 데 있다. 같은 업무를 자동화하는 도구는 경쟁사도 곧 도입하고, 절감된 비용은 산업 전체의 새로운 기준선이 된다. 그래서 효율만 좇은 기업의 ROI는 산업 중앙값에 수렴하고, AI fitness index 위에서 격차가 좀처럼 벌어지지 않는다. 반대로 성장은 시장을 새로 만들거나 남보다 먼저 차지하는 게임이라, 한 번 앞서면 격차가 누적된다.

두 우위의 시간축이 다르다는 점을 짚어야 한다. 효율은 평준화되는 우위다. 비용 절감의 이득은 한 번 실현되면 거기서 멈추고, 경쟁자가 같은 도구를 들이는 순간 차이는 0으로 수렴한다. 성장은 누적되는 우위다. 새 매출원을 먼저 연 기업은 그 시장에서 데이터와 고객과 학습을 먼저 쌓고, 그 자산이 다음 성장의 발판이 된다. 효율은 뺄셈의 게임이라 바닥(비용 0)이 있지만, 성장은 덧셈의 게임이라 천장이 없다. 같은 AI를 써도 효율에 건 기업은 수렴하고 성장에 건 기업은 발산하는 까닭이 여기에 있다.

리더가 특히 잘 잡은 성장 기회는 산업 융합 지점이었다. 헬스케어와 금융, 제조와 소프트웨어처럼 경계가 허물어지는 자리에서는 기존 강자의 우위가 흔들리고 새로운 규칙이 만들어진다. AI는 이질적인 데이터와 도메인을 빠르게 잇는 데 강하기 때문에, 이런 융합 지점에서 새 제품과 서비스를 먼저 설계하는 능력이 곧 선점의 능력이 된다. 리더가 산업 융합 성장 기회를 식별·추구할 확률이 동종 대비 2~3배 높았다는 수치는, 이들이 남들이 아직 규칙을 모르는 자리에 먼저 들어갔다는 뜻이다.

그래서 "AI를 도입했는데 왜 효과가 없지?"라는 질문에 이 연구가 주는 첫 번째 답은 이렇다. 효율 절감만 목표로 삼았다면, 효과가 없는 게 아니라 효과가 산업 평균에 묻혀 보이지 않는 것이다. 측정 가능한 성과를 만들려면, AI를 무엇을 줄이는 데가 아니라 무엇을 새로 여는 데 써야 한다.

성장에 AI를 쓰겠다는 의지만으로는 부족하다. PwC가 짚은 두 번째 차이는 AI를 조직에 들이는 방식이다. 낙오 기업이 기존 업무 위에 AI 도구를 하나 더 얹는 데 그쳤다면, 리더는 업무 흐름 자체를 다시 짰다. 단순히 도구를 추가하는 대신 워크플로를 재설계할 확률이 동종 대비 약 2배 높았다. 도구는 같아도, 그것이 일하는 방식 안에 자리 잡는 깊이가 달랐다.

3.1 자율성과 거버넌스를 함께 키운다

재설계의 핵심은 사람의 손을 거치지 않고 AI가 내리는 의사결정의 범위를 넓히는 것이다. 리더 기업은 사람 개입 없는 의사결정 수를 늘릴 확률이 2.8배 높았다. 흥미로운 건 이들이 동시에 AI 거버넌스도 더 강하게 다졌다는 점이다. 자율성을 높이면서 통제를 푼 게 아니라, 자율성을 높였기 때문에 통제를 더 촘촘히 했다. 가드레일 안에서 여러 작업을 수행하거나 스스로 개선하는 등, AI를 한 단계 높은 정교도로 운영할 확률도 약 2배였다.

거버넌스 강화는 구호가 아니라 구체적 장치로 나타났다. 리더는 책임 있는 AI(Responsible AI) 프레임워크를 갖출 확률이 동종 대비 1.7배, 부서를 가로지르는 AI 거버넌스 위원회를 둘 확률이 1.5배 높았다. 이 장치들의 효과는 사람에게서 나타난다. 리더 기업의 직원은 AI의 산출물을 신뢰할 확률이 2배 높았다. 신뢰는 곧 채택으로 이어진다. 직원이 결과를 믿어야 AI를 실제 업무에 쓰고, 그래야 자율적 의사결정의 범위를 넓힐 수 있다. 자율성과 거버넌스와 신뢰는 한 고리로 맞물린다.

이 조합이 의미하는 바는 분명하다. 자율적 AI는 거버넌스 없이는 위험하고, 거버넌스만 있고 자율성이 없으면 성과가 나지 않는다. 리더는 두 가지를 상충 관계가 아니라 함께 가야 하는 한 쌍으로 다뤘다. PwC가 같은 시기에 내놓은 동반 자료 "더 이상 피라미드는 없다(No more pyramids)"가 에이전틱 AI 시대의 인력 구조 재설계를 다루는 것도 같은 맥락이다. 사람과 AI의 역할 분담 자체를 다시 그려야 한다는 것이다.

3.2 매번 재발명하지 않는다 — 재사용 컴포넌트

세 번째이자 토대로 이어지는 차이는 재사용이다. 리더 기업은 재사용 가능하고 중앙에서 카탈로그화된 AI 컴포넌트를 만들 확률이 2.4배 높았다. 프로젝트마다 데이터 파이프라인과 모델, 검증 절차를 처음부터 다시 만드는 대신, 한 번 검증한 자산을 등록해 두고 필요할 때 꺼내 쓴다. 이 방식은 속도뿐 아니라 품질의 일관성을 만든다. 매번 새로 만들면 매번 새로운 결함이 생기지만, 검증된 컴포넌트를 재사용하면 품질이 누적된다.

지금까지 본 행동의 차이를 하나의 막대로 세우면, 리더가 동종 기업과 무엇에서 가장 크게 벌어졌는지가 보인다. 아래 차트는 "동종 기업=1"을 기준으로, 리더가 각 영역에서 몇 배를 더 거뒀거나 더 자주 행했는지를 나타낸다. 가장 왼쪽의 전체 재무 성과 7.2배가 결과라면, 그 오른쪽의 배수들은 그 결과를 만든 행동들이다.

다음 표는 이 절에서 다룬 리더와 낙오의 행동 차이를 거버넌스 장치까지 포함해 한눈에 정리한 것이다. 수치는 모두 동종 기업 대비 리더가 해당 행동을 보일 상대 확률이다.

리더가 무엇을 했는지를 봤다면, 이제 다수가 어디에서 멈췄는지를 볼 차례다. PwC가 그린 낙오 기업의 모습은 두 가지 함정으로 요약된다. 첫째는 파일럿 모드에 갇히는 것이고, 둘째는 효율 함정이다. 둘은 서로를 강화한다.

4.1 파일럿 모드에 갇히다

많은 기업이 인상적인 시연과 작은 성공 사례를 만들어내고도 그 다음으로 나아가지 못한다. 부서별로 흩어진 실험이 운영 전반으로 확장되지 않고, 검증된 파일럿이 표준 업무로 흡수되지 않는다. 흔히 "stuck in pilot"이라 불리는 이 정체는 기술의 문제라기보다 토대의 문제인 경우가 많다. 데이터가 부서마다 다른 형식으로 흩어져 있고, 한 곳에서 검증한 자산을 다른 곳에서 다시 쓸 방법이 없으면, 파일럿은 매번 처음부터 시작될 수밖에 없다.

4.2 효율 함정

두 번째 함정은 2장에서 본 효율 편향의 결과다. 측정하기 쉽다는 이유로 효율 절감만 목표로 삼으면, 성과는 분명히 나는데도 산업 중앙값에 묻혀 격차로 드러나지 않는다. 경영진은 "AI에 투자했는데 왜 우리만 앞서지 못하나"라고 묻지만, 사실 모두가 같은 효율을 추구하고 있기 때문에 아무도 앞서지 못하는 것이다. 효율 함정은 노력의 부재가 아니라 방향의 문제다.

4.3 왜 못 벗어나나 — 데이터 분산과 재사용 불가

두 함정이 오래 유지되는 데는 공통의 구조적 원인이 있다. 데이터가 부서마다 다른 형식과 다른 시스템에 흩어져 있다는 것이다. 한 팀이 공들여 정제하고 검증한 데이터가 옆 팀에서는 다시 0에서 시작된다. 재사용할 자산이 없으니 모든 프로젝트가 데이터 수집과 정제라는 같은 비용을 매번 새로 치른다. 그 비용이 매번 들기 때문에 큰 베팅의 진입 장벽이 높아지고, 그래서 작고 안전한 효율 과제로 후퇴한다. 낙오의 진짜 원인은 모델도 의지도 아니라, 꺼내 쓸 수 있는 자산의 부재다.

두 함정이 맞물리면 악순환이 된다. 파일럿이 확장되지 않으니 성장에 쓸 큰 베팅을 못 하고, 그래서 측정 쉬운 효율로 후퇴하고, 효율 성과는 평준화되니 다시 작은 파일럿에 머문다. 그리고 이 모든 단계의 바닥에는 재사용할 데이터가 없다는 같은 결핍이 깔려 있다. 이 고리를 끊는 지점이 바로 리더와 낙오를 가른 토대다.

앞선 네 장의 결론은 하나로 모인다. 리더의 우위는 더 좋은 모델에서 나온 게 아니라, 그 모델이 딛고 선 토대에서 나왔다. PwC의 AI fitness index가 활용(AI use)과 토대(AI foundations)라는 두 축으로 이루어졌다는 사실을 다시 떠올려 보자. 지표의 절반이 토대다. 그리고 토대는 화려한 것이 아니다. 데이터, 거버넌스, 재사용 가능한 컴포넌트(카탈로그) — 이 세 가지가 토대의 실체다.

5.1 꺼내 쓸 수 있는 깨끗한 토대

3장에서 본 재사용 컴포넌트(2.4배)와 4장에서 본 파일럿 정체는 사실 같은 동전의 양면이다. 검증된 데이터와 컴포넌트를 중앙에 모아 두고 꺼내 쓸 수 있으면, 새 프로젝트는 0이 아니라 70에서 출발한다. 그렇지 못하면 매번 0에서 시작하고, 매번 같은 데이터 정제와 검증을 반복하다 지친다. 리더가 성장에 큰 베팅을 할 수 있었던 이유도 여기에 있다. 토대가 탄탄하면 새 시도의 비용과 위험이 낮아지고, 그만큼 과감해질 수 있다.

자율성과 거버넌스의 동반 강화도 토대 없이는 불가능하다. 사람의 손을 거치지 않는 의사결정을 늘리려면, 그 의사결정이 딛고 선 데이터의 품질을 신뢰할 수 있어야 한다. 데이터가 부정확하거나 출처가 불분명하면 자율 AI는 빠르게 틀린 결정을 양산한다. 그래서 리더는 자율성을 높일수록 데이터와 거버넌스라는 토대를 더 깊이 팠다. 1장에서 본 "두 축은 곱해진다"는 관찰이 여기서 구체화된다. 토대가 단단할 때라야 활용을 늘릴수록 성과가 가팔라지고, 자율성을 키울수록 위험이 아니라 속도가 늘어난다.

5.2 좋은 결과는 좋은 토대에서 나온다

이 연구가 실무자에게 남기는 가장 실용적인 결론은 우선순위의 재배치다. AI 효과가 보이지 않을 때 가장 먼저 손대고 싶은 건 더 좋은 모델이지만, 이 연구가 가리키는 진짜 변수는 그 아래에 있다. 무엇에 쓸 것인가(성장), 어떻게 녹일 것인가(재설계), 그리고 무엇 위에서 할 것인가(토대). 이 세 질문에 답하지 않은 채 모델만 바꾸면 격차는 좁혀지지 않는다. 다음 장에서는 이 세 질문을 실무의 순서로 옮겨, 무엇부터 손대야 하는지를 정리한다.

편집자의 노트. 이 연구가 가리키는 토대 층 — 깨끗한 데이터와 재사용 가능한 검증 자산, 그리고 자율 AI를 떠받치는 데이터 거버넌스 — 은 페블러스 데이터커뮤니케이션팀이 평소 다루는 바로 그 영역이다. AI-Ready Data는 결국 "꺼내 쓸 수 있는 깨끗한 토대"를 만드는 문제이고, 이 연구는 그 토대가 성과 격차를 가른다는 점을 1,217개 기업의 데이터로 보여준다. 우리가 이 보고서에 주목한 이유다.

진단이 아무리 정확해도 순서를 모르면 움직이기 어렵다. 이 연구의 발견을 실무의 차례로 옮기면, 손대야 할 일에는 분명한 우선순위가 있다. 모델 교체는 그 목록의 맨 위가 아니다. 리더가 밟은 길을 거꾸로 되짚으면 세 단계가 남는다.

첫째, 성장 유스케이스를 먼저 식별한다. AI를 어디에 쓸지 정하지 않은 채 도구부터 들이면 거의 반드시 효율 과제로 흘러간다. 측정이 쉽기 때문이다. 그래서 출발점은 "무엇을 줄일까"가 아니라 "무엇을 새로 열까"여야 한다. 특히 산업 경계가 허물어지는 자리, 인접 시장과 우리 데이터가 만나는 지점에서 새 매출 가설을 세운다. 이 단계의 산출물은 도구가 아니라, AI로 풀 가치가 있는 성장 질문의 목록이다.

둘째, 그 유스케이스를 중심으로 워크플로를 재설계한다. 기존 업무 위에 AI 버튼 하나를 더 얹는 방식으로는 격차가 만들어지지 않는다. 사람이 하던 단계 중 어디를 AI에 넘기고, 어디를 사람이 검수하며, 어디를 자율에 맡길지를 다시 그린다. 자율적 의사결정의 범위를 넓히되, 그 범위를 거버넌스로 함께 묶는다. 책임 있는 AI 원칙과 부서 횡단 검토 장치를 자율성과 같은 속도로 키우는 것이 리더의 방식이었다.

셋째, 토대에 투자한다. 위 두 단계가 반복 가능하려면 매번 0에서 시작하지 않아야 한다. 검증한 데이터와 모델, 검사 절차를 중앙에 카탈로그로 등록해 다음 프로젝트가 꺼내 쓰게 한다. 데이터를 부서별 사일로에서 끌어내 일관된 형식과 명확한 출처로 정리하는 일이 여기에 포함된다. 이 단계는 가장 눈에 덜 띄지만, 앞의 두 단계를 한 번이 아니라 계속 돌아가게 만드는 엔진이다.

세 단계는 일직선이 아니라 고리다. 토대가 단단해질수록 새 성장 유스케이스의 비용과 위험이 낮아지고, 그래서 더 과감한 재설계가 가능해지며, 그 결과가 다시 토대에 자산으로 쌓인다. 리더가 매년 더 빨리 학습한 비결이 이 고리다. 그러니 AI 효과가 보이지 않을 때 던질 첫 질문은 "더 좋은 모델은 무엇인가"가 아니라 "우리는 무엇 위에서 이 일을 하고 있는가"다. 좋은 결과는, 결국 좋은 토대에서 나온다.

연구 본체 — PwC 2026 AI Performance Study

• 1.PwC. (2026). "Three-quarters of AI's economic gains are being captured by just 20% of companies — with the leading companies focused on growth, not just productivity." PwC Press Release (2026-04-13). pwc.com
• 2.PwC. (2026). "Want ROI from AI? Go for growth." PwC 2026 AI Performance Study. pwc.com
• 3.PwC. (2026). "Want ROI from AI? Go for growth" (전체 보고서 PDF). PwC. roi-from-ai.pdf
• 4.PwC. "Decoding ROI from AI." PwC (AI Performance 허브). pwc.com

동반 자료 — 토대·인력 재설계

• 5.PwC. "No more pyramids: Rethinking your workforce for the agentic AI era." PwC Tech Effect. pwc.com
• 6.PwC. "The AI trust dividend — Strong foundations. Trusted AI. Real returns." PwC. pwc.com